| dc.contributor | LUIS ENRIQUE SUCAR SUCCAR | |
| dc.contributor | JESUS ANTONIO GONZALEZ BERNAL | |
| dc.creator | PABLO FRANCISCO HERNANDEZ LEAL | |
| dc.date | 2011-07 | |
| dc.date.accessioned | 2023-07-25T16:22:05Z | |
| dc.date.available | 2023-07-25T16:22:05Z | |
| dc.identifier | http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/687 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/7805904 | |
| dc.description | Bayesian networks have become the reference model to deal with uncertainty due to its easy understanding and different inference and learning algorithms. However, Bayesian networks can not deal with temporal information. The model known as Temporal Nodes Bayesian Networks (TNBN) is an extension that combines uncertainty reasoning with temporal information, but it has not been used extensively due to a lack of learning algorithms for this type of networks. In this thesis we propose a learning algorithm for Temporal Nodes Bayesian Networks that obtains the structure, the intervals and the associated parameters. The algorithm has three main steps: an initial discretization of the temporal nodes, learning of an initial structure and a refinement of the intervals using the structure information. The intervals’ learning algorithm uses a clustering technique to obtain the temporal intervals. The algorithm was evaluated with synthetic data of three TNBNs of different sizes with two distributions to generate the temporal data. In the experiments the algorithm obtained better scores than the baselines, particularly in structural quality and temporal error. The algorithm was also applied with real data, on one side it was applied in prediction and fault diagnosis in a subsystem of a power plant. For this application the algorithm was evaluated using different number of cases in terms of predictive score, temporal error and number of intervals. On the other, it was applied with data from patients with HIV in order to obtain mutational networks; i.e. networks that show the temporal evolution of the mutations with respect to certain drugs. For these experiments, the models were qualitatively evaluated by experts. | |
| dc.description | Las Redes Bayesianas se han vuelto el modelo de referencia para manejar incertidumbre
debido a su facilidad de interpretación y diversos métodos de inferencia y aprendizaje. Sin
embargo, las redes bayesianas tradicionales no pueden manejar información temporal. El
modelo conocido como Redes Bayesianas de Nodos Temporales (RBNT) es una extensión
que combina el manejo de incertidumbre con información temporal, pero su uso no se ha
extendido debido a que no existen métodos de aprendizaje para estas redes.
En esta tesis proponemos un algoritmo de aprendizaje de Redes Bayesianas de Nodos
Temporales que obtiene la estructura, los intervalos y los parámetros asociados. El algoritmo
se compone de tres pasos principales: una discretización inicial de los nodos temporales, la
obtención de una estructura inicial y posteriormente un refinamiento de los intervalos usando
información de la red. El algoritmo de aprendizaje de intervalos hace uso de un algoritmo
basado en agrupamiento para obtener los intervalos temporales. El conjunto de intervalos
que obtenga el mejor puntaje predictivo es seleccionado.
El algoritmo fue evaluado con datos sintéticos de tres RBNTs de diferentes tamaños
con dos distribuciones diferentes para generar los datos temporales. En los experimentos el
algoritmo superó a los algoritmos base y obtuvo la mejor calidad estructural y el menor
error temporal. El algoritmo también fue aplicado con datos reales, por un lado, en predicción y diagnóstico de fallas en un subsistema de una planta eléctrica. Para esta aplicación
el algoritmo se evaluó con diferente número de casos de entrada en términos de calidad
predictiva, error temporal y número de intervalos. Por otro lado, también se probó con
datos de pacientes con VIH para obtener redes mutacionales; es decir redes, que muestren
la evolución temporal de las mutaciones con respecto a ciertos medicamentos. Para esta
aplicación los modelos fueron evaluados cualitativamente por los expertos. | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| dc.relation | citation:Hernandez-Leal P.F. | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0 | |
| dc.subject | info:eu-repo/classification/Razonamiento temporal/Temporal reasoning | |
| dc.subject | info:eu-repo/classification/Aprendizaje/Learning | |
| dc.subject | info:eu-repo/classification/Belief networks/Belief networks | |
| dc.subject | info:eu-repo/classification/cti/1 | |
| dc.subject | info:eu-repo/classification/cti/12 | |
| dc.subject | info:eu-repo/classification/cti/1203 | |
| dc.subject | info:eu-repo/classification/cti/1203 | |
| dc.title | Algoritmo de aprendizaje para redes bayesianas de nodos temporales | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dc.type | info:eu-repo/semantics/acceptedVersion | |
| dc.audience | students | |
| dc.audience | researchers | |
| dc.audience | generalPublic | |
